[发明专利]基于深度学习的透平机械叶型设计及性能预测方法

权利要求书

1.基于深度学习的透平机械叶型设计及性能预测方法，其特征在于，包括以下步骤：

1)搭建设计透平机械叶型的生成对抗神经网络GAN

搭建设计透平机械叶型的生成对抗神经网络GAN包括生成器Generator及判别器Discriminator两个子网络；

2)训练设计透平机械叶型的生成对抗神经网络GAN

首先获取用于训练生成对抗神经网络GAN的透平机械叶型型线数据{Foil_id,i}_n，n＝1,2,3…N表示透平机械叶型型线序号，N为透平机械叶型型线总数；

随后使用生成器Generator将N_train个随机生成的叶型设计参数{Para}_it变换为设计叶型{Wings_id,i}_it，其中id＝1,2,3…N_w，表示叶型表面离散点序号，N_w为表面离散点总数，it＝1,2,3…N_train，Para的每个维度均满足[0,1]间的均匀分布；从真实叶型数据{Foil_id,i}_n中抽取N_train组真实叶型，结合设计叶型{Wings_id,i}_it一起用以训练判别器Discriminator，其中真实叶型数据Foil_id,i的标签为1，Wings_id,i的标签为0，判别器Discriminator的判别结果Result是输入叶型标签的估计值，损失项Loss_D为判别结果Result与数据标签间的sigmoid交叉熵；根据该损失对判别器Discriminator进行参数更新，提高Discriminator对叶型真实性判断的能力；

类似地，使用生成器Generator再将N_train个随机生成的叶型设计参数{Para}_it变换为叶型{Wings_id,i}_it，作为生成器Generator的训练数据，其标签MarkG取为1；将新生成的{Wings_id,i}_it输入判别器Discriminator进行判断，损失函数Loss_G为判断结果Result与标签MarkG间的sigmoid交叉熵，惩罚项Punish为设计参数Para与设计参数估计值Para_Guess间的欧式距离；损失Loss_G及惩罚项Punish更新生成器Generator的参数使生成器Generator逐渐能够设计出更符合实际叶型造型特征的透平机械叶型；

迭代进行以上两个相互对抗的训练过程，使得生成器Generator逐渐掌握到叶型造型特征并能够设计出符合气动特性的叶型；

3)使用生成器Generator生成叶型样本

使用步骤2)训练得到的生成器Generator，根据随机生成的N_case组叶型设计参数{Para}_case生成对应的叶型型线{Airfoil_id,i}_case，作为叶型样本，case＝1,2,3…N_case，表示叶型样本序号，N_case表示叶型样本总数；

4)搭建对叶型进行自动建模、网格划分、流场求解及性能评估的计算框架

对叶型样本集合{Airfoil_id,i}_case中的任意叶型Airfoil_id,i，建立叶型三维几何结构，对叶型流场进行网格划分得到计算网格Mesh，在设计工况下，给定进口压力、进口温度、出口压力和转速，对流场进行数值求解，流体工质选择为该工况下的蒸汽；获得各叶高截面叶型表面上网格节点处的压力信息Field_im,m，其中im＝1,2,3…Nx，表示各叶高截面叶型表面上网格节点的序号，Nx为计算网格Mesh中各叶高截面叶型表面上的计算节点总数，m＝1,2,3，分别用于表示各叶高截面叶型表面上网格节点的横坐标，纵坐标，压力；通过将各叶高截面叶型表面上压力分布进行积分和处理获取叶型性能指标Output_p，其中p＝1,2，分别表示功率和效率；通过自编程方式串接上述各子步骤，搭建叶型建模、网格划分、流场求解及性能评估流程的自动化框架；

5)使用自动化框架对样本叶型进行批量CFD计算，获取气动性能参数集

使用步骤4)所搭建的自动化框架计算样本叶型{Airfoil_id,i}_case，在给定进口压力、进口温度、出口压力和转速下，计算获得叶片表面各截面上压力分布{Field_im,m}_case及性能指标{Output_p}_case，以此气动性能参数集{Para}_case-{Field_im,m}_case-{Output_p}_case作为卷积神经网络CNN的训练数据集；

6)各叶高截面叶型表面压力分布数据预处理

对步骤5)求解得到的{Para}_case-{Field_im,m}_case-{Output_p}_case气动性能参数集中的各叶高截面叶型表面压力分布数据{Field_im,m}_case，调整其数据排列使数据离散点沿各叶高截面叶型顺时针排列，起始点为叶型前缘点，绕叶型表面一周后回到前缘点；随后根据坐标对各叶高截面叶型表面压力分布进行线性插值，使离散数据点在叶型表面均匀分布，从中取出压力数据，得到格式统一的叶型表面压力分布{Pres_ic}_case，其中ic＝1,2,3…512为插值点序号；对整理后的叶型表面压力分布{Pres_ic}_case进一步进行标准化处理，得到无量纲的压力分布{P_ic}_case；

7)构建叶型气动性能预测的卷积神经网络CNN

叶型气动性能预测的卷积神经网络CNN包括叶型表面压力分布预测网络Predict Net及叶型气动性能评估网络Score Net两个子网络；

8)训练叶型气动性能预测的卷积神经网络CNN

根据计算设备内存大小情况从步骤5)所求解的气动性能参数集中抽取N_Batch个设计参数{Para}_num输入叶型表面压力分布预测网络Predict Net进行叶型表面压力分布预测获得{Mock_ic}_num，其中num＝1,2,3…N_Batch，根据预测结果{Mock_ic}_num与CFD计算获得的叶型表面无量纲压力分布{P_ic}_num间的Smooth L1 Loss损失，更新Predict Net参数；将该参数更新过程循环进行N_epoch次，使Predict Net逐渐学习到设计参数Para与叶型表面无量纲压力分布间的非线性关系，实现由叶型设计参数直接预测得到给定设计工况下的叶型表面无量纲压力分布；

类似地，将N_Batch个预处理得到的叶型表面无量纲压力分布{P_id}_num输入Score Net中计算功率{Power_net}_num及效率{Efficient_net}_num；根据其与CFD求解得到的Output_p间的SmoothL1 Loss损失，更新Score Net参数，将该参数更新过程循环进行N_epoch次，使Score Net学习到叶型表面无量纲压力分布与叶型功率及效率间的计算关系，实现根据叶型表面无量纲压力分布计算叶型功率及效率；

9)使用Generator、Predict Net和Score Net进行叶型设计及性能预测

使用生成器Generator将叶型设计参数Para变换为叶型Airfoil_id,i，在确保该叶型特征参数位于推荐取值范围内后，针对该设计叶型及给定进口压力、进口温度、出口压力及转速，使用Predict Net根据Para直接计算得到叶型表面无量纲压力分布Mock_ic，使用ScoreNet根据Mock_ic计算得到叶型的功率和效率。